Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Muqaddimah: Jurnal Ekonomi, Manajemen, Akuntansi dan Bisnis Journal of Big Data Analytic and Artificial Intelligence
Muhammad Hafid
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Journal of Big Data Analytic and Artificial Intelligence

 1 
Klasifikasi Berita Menggunakan Metode Naive Bayes pada Surat Kabar Harian Radar Tarakan Anny Susilowaty; Aida Indriani; Muhammad Hafid
Journal of Big Data Analytic and Artificial Intelligence Vol 3 No 1 (2017): JBIDAI Juni 2017
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Mengarsipkan berita secara konvensional biasanya hanya sekadar disimpan dalam file, Compact Disk (CD) dan atau media internal server perusahaan. Sebagai perusahaan yang terus berkembang dalam menyajikan berita, maka mengarsipkan sekaligus mengklasifikasikan dalam kategori tertentu mutlak diperlukan. Mengingat selain tuntutan, juga keperluan akan berita-berita yang terkategori dan tersistem secara otomatis akan memudahkan dalam pengelolaannya. Disini penulis menggunakan berita dari data arsip Redaksi Surat Kabar Harian  Radar Tarakan tahun 2015 sebanyak 100 data. Seratus data ini dapat digunakan sebagai data training dan data testing. Proses diawali dengan menghitung probabilitas tiap-tiap kategori berita, yaitu politik, ekonomi, hiburan, kriminal, dan olahraga. Setelah itu baik data training maupun data testing melewati tahapan praproses, yaitu case folding, tokenizing, stoplist dan stemming. Data testing yang telah melewati praproses kemudian dilakukan perhitungan Naïve Bayes Classifier (NBC). Hasilnya masih diuji lagi untuk mengetahui seberapa besar persentase yang dihasilkan. Penulis telah melakukan pengujian sebanyak 10 kali dengan jumlah data training 75 dan data testing 25. Pada pengujian ini diperoleh tingkat persentase akurasi tertinggi 76% atas semua kategori, baik politik, ekonomi, hiburan, kriminal dan olahraga. Sedangkan rata-rata persentase akurasi sebesar 62%. Penulis juga melakukan sejumlah pengujian lainnya, sehingga diperoleh kesimpulan bahwa berita yang dapat diklasifikasi tergantung pada pola awal dari data berita sampel yang disimpan dalam database. Sehingga semakin banyak data berita maka semakin banyak pula pola data berita yang terbentuk.
Pemanfaatan Vector Space Model Untuk Peringkasan Berita Rina Anggeriani; Fitria; Muhammad Hafid
Journal of Big Data Analytic and Artificial Intelligence Vol 3 No 1 (2017): JBIDAI Juni 2017
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Automatic summarization adalah proses mengurangi dokumen teks dengan sebuah program komputer untuk membuat ringkasan yang mempertahankan bagian yang paling penting dari dokumen asli. Untuk mengatasi informasi yang berlebihan, dan jumlah data yang meningkat, sehingga perlu peringkasan otomatis. Konsep sederhana ringkasan adalah mengambil bagian penting dari keseluruhan isi dari artikel. Yang kemudian menyajikannya kembali dalam bentuk ringkasan. Langkah yang diambil pada penelitian ini nantinya berawal dari user (admin) memilih atau mencari teks dokumen yang akan diringkas dengan kata kunci pada judul berita sebagai query. Sistem melakukan penyiapan teks (text preprosessing) dokumen yang terdiri dari tahap peringkasan mulai dari pemecahan kalimat, case folding, tokenisasi, stop word removal, stemming, pembobotan tf/idf, pembobotan query dengan kalimat menggunakan vector space model yang nantinya diperoleh hasil ringkasan. Hasil ringkasan diperoleh dari nilai cosine >0 dan diurutkan dari nilai maksimal kenilai minimal. Hasil pengujian dibandingkan dengan ringkasan manual yang menghasilkan rata-rata precision 64%, recall 67%, dan f-measure 64,73%.
Co-Authors Aida Indriani Anisah Anisah Anny Susilowati Anny Susilowaty Farid Farid Fitria Fitria Fitria Rina Anggeriani